Necenzēts DeepSeek Flash API

Vairums komandu, kas vērtē LLM API, optimizē nepareizo mainīgo. Tās testē uz divdesmit grūtākajām uzvednēm, kādas spēj izdomāt, izvēlas uzvarētāju un pēc sešām nedēļām atklāj, ka deviņdesmit pieci procenti to datplūsmas ir īss, strukturēts, atkārtojošs darbs, ar ko modelis par ceturtdaļu cenas būtu ticis galā tieši tāpat. DeepSeek-V4-Flash pastāv tieši šiem deviņdesmit pieciem procentiem. Šī lapa ir par to, kā zināt, ka esat tajos — un kad neesat.

01Ko jūs patiesībā saņemat

Īpašība	DeepSeek-V4-Flash-0731 · W4A16-AUTOROUND-REAP
Modeļa id	DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP
Konteksts / maks. izvade	262,144 tokeni / 16,384 tokeni
Cena uz 1M (ievade / izvade)	$0.50 / $2.00
Straumēšana · rīku izsaukšana · spriešana	Jā — visos trīs dialektos
Strukturēta izvade	json_schema un response_format
Attēlu ievade (redze)	Nē — tikai teksts
Atteikuma slānis / izvades filtrs	Nav
Pasniegts uz	Shannon paša GPU klastera

Trīs API dialekti sniedzas pie tiem pašiem svariem: /v1/chat/completions (OpenAI formā), /v1/messages (Anthropic formā) un /v1/responses. Straumēšana darbojas visos trīs. Pilna parametru atsauce ir API dokumentācijā.

02No kurienes tas nāk: DeepSeek cilts

DeepSeek-AI piecas modeļu paaudzes ir pavadījusi ar vienu apsēstību: kā izvilkt priekšpulka uzvedību no modeļa, ko ir lēti pasniegt, nevis tikai lēti trenēt. Gandrīz katrs arhitektūras lēmums šajā līnijā ved atpakaļ uz to, un svarīgākie ir publicēti. Trīs no tiem paskaidro, ko jūs izsaucat, kad sniedzaties pēc šī galapunkta.

DeepSeekMoE — smalki dalīti eksperti plus viens koplietots

Mixture-of-Experts slānis vienu lielu tiešās padeves tīklu aizstāj ar daudziem mazākiem un maršrutētāju, kas uz tokenu izvēlas sauju. DeepSeek variants ekspertus sagriež smalkāk nekā parastais astoņu ekspertu izkārtojums, tāpēc tie paši aktivētie FLOP nopērk daudz kombinatoriski konkrētāku sajaukumu, un tas izdala vienu koplietotu ekspertu, caur kuru iet katrs tokens, tāpēc kopīgās zināšanas netiek lieki pārmācītas katrā speciālistā. DeepSeek-V3 to izlaida kā 256 maršrutētus ekspertus plus 1 koplietotu, aktivējot 8 maršrutētos uz tokenu — 671B kopējo parametru, 37B aktīvo — līdz ar slodzes līdzsvarošanu bez palīgzuduma: nevis soda loceklis, kas pazemina kvalitāti, bet nobīde uz katru ekspertu, kas maršrutēšanas vērtējumus katrā solī paceļ vai nolaiž atkarībā no tā, vai eksperts ir nepietiekami vai pārmērīgi noslogots.

MLA — uzmanība, kas ietilpst atmiņā

Otra puse apkalpošanas izmaksu problēmai ir KV kešatmiņa, kas ar kontekstu aug lineāri un garās secībās dominē atmiņā. Daudzgalvu latentā uzmanība, ieviesta DeepSeek-V2, kopīgi saspiež atslēgas un vērtības zema ranga latentā vektorā un kešo to, lietojamos K/V rekonstruējot lidojumā. DeepSeek publicētie V2 skaitļi pret to iepriekšējo blīvo DeepSeek 67B ziņo par 93.3% KV kešatmiņas samazinājumu un 5.76× augstāku maksimālo ģenerēšanas caurlaidspēju. Tieši tāpēc 262K tokenu logs šajā saimē ir pašsaprotams, nevis piemaksas papildinājums.

Retā uzmanība — un precedents lētiem tokeniem

V3.2-Exp pievienoja DeepSeek retā uzmanību: viegls indeksētājs konteksta tokenus novērtē pret vaicājumu, un atlasītājs patur tikai augstāk novērtētos. Interesantā daļa ir čeks, nevis mehānisms. DeepSeek publicēja salīdzinājumu ar V3.1-Terminus, kur MMLU-Pro bija identisks pie 85.0, AIME 2025 augšup (88.4 → 89.3), SWE-bench Verified nedaudz lejup (68.4 → 67.8) — pēc būtības plakana kvalitāte — un tajā pašā dienā tie samazināja savas API cenas par vairāk nekā 50%. Arhitektūra, godīgi ziņota, tieši pārvēršas cenā. Flash ir tas pats arguments, aizvests soli tālāk.

V4 paaudze

V4, priekšskatīts 2026. gada aprīlī zem MIT licences, uzmanības steku atkal aizstāj ar saspiestas retās uzmanības un stipri saspiestas uzmanības hibrīdu, trenējas ar Muon optimizētāju uz vairāk nekā 32T tokenu un patur V3 daudztokenu prognozēšanas mērķi — kas vienlaikus kalpo kā spekulatīva dekodēšana un ko DeepSeek V3 nomērīja ar 85–90% otrā tokena pieņemšanas īpatsvaru, dodot aptuveni 1.8× dekodēšanas paātrinājumu. V4 kopsavilkums ziņo, ka V4-Pro darbojas ar 27% no V3.2 viena tokena izsecināšanas FLOP un 10% no tā KV kešatmiņas. Saime atklāj trīs spriešanas intensitātes līmeņus, un tieši uz tiem atbilst mūsu reasoning_effort parametrs.

Avoti: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 tehniskais ziņojums (arXiv 2412.19437) · DeepSeek-V3.2-Exp modeļa karte · DeepSeek-V4 (arXiv 2606.19348). Visi skaitļi ir DeepSeek ziņoti.

03Ko „Flash” patiesībā nozīmē

Šeit vairums salīdzinājumu kļūdās, tāpēc to ir vērts pateikt tieši: DeepSeek Flash nav kvantēts, atzarots vai destilēts Pro. Tas ir atsevišķi trenēts, mazāks Mixture-of-Experts modelis ar savu paša iepriekštreniņu. V4 priekšskata raksts dod abus izmērus:

Skaitļi no DeepSeek-V4 priekšskata raksta. Oficiālie kontrolpunkti, ko pasniedzam — V4-Flash-0731 un V4-Pro-0813 —, savās modeļu kartēs uzskaita nedaudz lielākus kopskaitus: 304B un 1.7T; aktivētos parametrus DeepSeek šīm būvēm no jauna nenorāda.

Šeit visu darbu izdara divi skaitļi. Kopējie parametri nosaka atmiņas nospiedumu, kas izšķir, cik daudz aparatūras aizņem viena modeļa kopija. Aktivētie parametri nosaka aritmētiku uz tokenu, kas izšķir caurlaidspēju. Flash pirmajā ir aptuveni 5.6× mazāks un otrajā 3.8× mazāks — un šajā plaisā ir vērā ņemama nianse: Flash aktivē 13 no 284 miljardiem parametru, aptuveni 4.6%, kamēr Pro aktivē 49 no 1,600 miljardiem, aptuveni 3.1%. Flash ir mazāk retais modelis. Tas nav vienkārši Pro ar mazāk ieslēgtiem ekspertiem; tas ir blīvāks, citādi līdzsvarots projekts, kas katram radītajam tokenam atvēl lielāku savu daļu. Tā ir īsta inženierijas izvēle, nevis pazemināšana.

Ko saka paši DeepSeek skaitļi

Abas oficiālās modeļu kartes publicē vērtējumus vienos un tajos pašos aģentiskajos un programmatūras inženierijas etalonos, kas padara šo par neparasti tīru salīdzinājumu — viena laboratorija, viens vērtēšanas ietvars, divi izmēri:

Etalons (DeepSeek ziņots)	V4-Flash-0731	V4-Pro-0813
Terminal Bench 2.1	82.7	87.9
Toolathlon-Verified	70.3	74.1
DeepSWE	54.4	62.7
NL2Repo	54.2	61.5
DSBench-FullStack	68.7	71.1

Pro uzvar katrā rindā. Tas ir godīgais virsraksts, un mums labāk, ka jūs to izlasāt šeit, nevis atklājat ražošanā. Bet lasiet starpības, jo tieši tās jūs patiesībā pērkat. Uz Terminal Bench 2.1 plaisa ir 5.2 punkti modelim ar divdesmit piekto daļu parametru; rīku lietošanā tā ir 3.8 punkti. Plaisa paplašinās tur, kur darbs kļūst dziļākais — 8.3 punkti uz DeepSWE, 7.3 uz NL2Repo, un abi atalgo noturīgu daudzsoļu koda spriešanu. Tāda ir šīs apmaiņas forma vienā tabulā: Flash norobežotos uzdevumos aizver lielāko daļu attāluma un atdod vietu atvērtajos.

DeepSeek pašas Flash karte to pasaka vēl asāk: Flash-0731 uzskaitītajos etalonos pārspēj V4-Pro priekšskatu, neraugoties uz daudz mazāku aktivēto parametru skaitu. Jaunāks mazs modelis, kas pārspēj vecāku lielu, šajā jomā ir normāls stāvoklis, un tas ir iemesls, kāpēc „lielākais līmenis” nekad nedrīkst būt jūsu noklusējuma atbilde.

04Kā lasīt piedēkli: W4A16-AUTOROUND-REAP

Mūsu modeļu id savu saspiešanas shēmu pasaka skaļi, jo tieši tā visvairāk ietekmē izvades kvalitāti un gandrīz neviens to neatklāj. Šis sadalās trīs apgalvojumos.

W4A16 — 4 bitu svari, 16 bitu aktivācijas

Svari tiek glabāti pa 4 bitiem katrs; aktivācijas plūst cauri 16 bitu precizitātē. Šī ir tikai svaru kvantēšana, un tā tēmē uz īsto pudeles kaklu tokenu ģenerēšanā, kas ir atmiņas caurlaidspēja, nevis aritmētika. Arī aktivāciju kvantēšana nopirktu mazliet vairāk ātruma un riskētu ar daudz lielāku precizitātes kritumu; to atstāšana 16 bitos ir konservatīvā, augstās precizitātes izvēle. Apzīmējums ir apkalpošanas ekosistēmas saīsinājums — kvantēšanas literatūra to pašu raksta kā W4 ar grupas izmēru.

AUTOROUND — iemācīta noapaļošana, nevis noapaļošana uz tuvāko

Naiva kvantēšana katru svaru noapaļo uz tuvāko attēlojamo vērtību. Tas pierādāmi nav optimāli: viena svara noapaļošana „nepareizajā” virzienā var dzēst kļūdu, ko ienesuši tā kaimiņi, un ar miljardiem svaru šīs mijiedarbības dominē. AutoRound no Intel pašu noapaļošanas lēmumu uzskata par kaut ko iemācāmu — trenējamu perturbāciju uz katru svaru, ierobežotu ar ±0.5, tieši tik, lai varētu apgriezt jebkuru vienu noapaļošanas lēmumu un ne vairāk, plus iemācāmus apgriešanas diapazonus, optimizētus ar zīmoto gradienta nolaišanos pret bloku līmeņa izvades rekonstrukcijas mērķi uz nelielas kalibrācijas kopas. Divi simti soļu, un gatavs.

Intel publicētajos salīdzinājumos AutoRound pārspēj GPTQ 30 no 32 pārbaudītajiem scenārijiem, AWQ 27 no 32 un OmniQuant 29 no 32 pie 4 bitu tikai svaru iestatījumiem, ar ieguvumu pār naivu noapaļošanu uz tuvāko no 6.9 līdz 33.2 precizitātes punktiem pie 2 bitiem. Izsecināšanas laikā tas neko nemaksā: tā ir labāka skaitļu izvēle, izdarīta vienreiz, bezsaistē.

REAP — to ekspertu izmešana, uz kuriem neviens nemaršrutē

REAP (maršrutētāja svērtā ekspertu aktivācijas atzarošana) no Cerebras Systems un Kalgari universitātes ir vienpakāpes saspiešana MoE modeļiem. Tā katru ekspertu novērtē pēc tā, cik stipri un cik bieži maršrutētājs uz to vārto, reizinot ar šī eksperta izvades lielumu, tad mazāk izteiksmīgos ekspertus izdzēš pavisam — bez pārtreniņa pēc tam.

Raksta centrālais atklājums ir tas noderīgais: pie augstām saspiešanas pakāpēm ekspertu atzarošana pārspēj to apvienošanu. Funkcionāli atšķirīgu ekspertu apvienošana izraisa to, ko autori sauc par funkcionālās apakštelpas sabrukumu — maršrutētājs zaudē smalko, no ievades atkarīgo vadību, kuras dēļ MoE vispār bija vērts būvēt, un paliek stūrējot starp statiskiem vidējiem. To skaitļi modeļos no 20B līdz 1T parametru: pie 25% ekspertu saspiešanas kodēšanas uzdevumos REAP zaudē 2.8% vidējās precizitātes, kur apvienošanas bāzes zaudē vairāk nekā 5%; pie 50% REAP zaudē 8.0%, kur apvienošana zaudē vairāk nekā 20%. Uz Qwen3-Coder-480B ar 50% atzarošanu kritums ir 1.4% pret 39.3% naivai uz biežumu balstītai atzarošanai. Cerebras cita starpā ir publicējusi REAP kontrolpunktus arī DeepSeek līnijai.

Kāpēc šeit 4 biti un uz Pro 3 biti

Abiem līmeņiem ir jāietilpst un jāpaliek ātriem uz vienas un tās pašas aparatūras klases. Pro nes 1.7 triljonus parametru, tāpēc tam vispār ietilpšanai vajag agresīvāko 3 bitu apstrādi. Flash nes aptuveni 300 miljardus, tāpēc tam nevajag — un ietaupīto bitu tas tērē precizitātei, nevis ietilpšanai.

Šis papildu bits nozīmē vairāk, nekā tā aritmētika liek domāt, jo kvantēšanas kaitējums nav lineārs. AWQ raksta WikiText-2 mērījumos Llama-2-7B no 5.47 perpleksitātes pie FP16 aiziet uz 5.60 pie 4 bitiem — 2.4% sods —, bet uz 6.24 pie 3 bitiem, kas ir 14% sods. Tas ir aptuveni seškārtīgs degradācijas pieaugums par 25% lielāku saspiešanu, un tā pati aina turas arī pie 70B. GPTQ raksts ir vēl skarbāks: pie 3 bitiem naiva noapaļošana uz tuvāko 175B klases modeļos sabrūk — perpleksitātē līdz tūkstošiem —, kamēr pie 4 bitiem paliek pilnīgi lietojama. Zem četriem bitiem laba kvantēšanas algoritma esamība pārstāj būt patīkams sīkums un kļūst par vienīgo, kas modeli tur kopā.

Tāpēc godīgais šo divu piedēkļu lasījums ir šāds: Flash ir tuvāk savai paša nesaspiestajai versijai nekā Pro savai. Pro joprojām ir stiprākais modelis — to nokārto etalonu tabula augstāk. Tas vienkārši atdeva vairāk, lai šeit nonāktu, un par šo privilēģiju jūs maksājat.

Avoti: AutoRound — „Optimize Weight Rounding via Signed Gradient Descent for the Quantization of LLMs” (arXiv 2309.05516), Intel, Findings of EMNLP 2024. REAP — „REAP the Experts: Why Pruning Prevails for One-Shot MoE Compression” (arXiv 2510.13999), Cerebras Systems. Perpleksitātes skaitļi no AWQ (arXiv 2306.00978) un GPTQ (arXiv 2210.17323).

05Flash pret Pro uz galapunkta

03. sadaļa aptvēra pamatmodeļus. Lūk, kā abi līmeņi izskatās kā produkti mūsu vārtejā:

	DeepSeek-V4-Flash-0731	DeepSeek-V4-Pro-0813
Kvantēšana	W4A16-AUTOROUND-REAP	3BIT-REAP
Svaru precizitāte	4 biti, iemācīta noapaļošana	3 biti
Pamatmodelis (kopā / aktīvie)	~304B / 13B	~1.7T / 49B
Ievade uz 1M tokenu	$0.50	$1.95
Izvade uz 1M tokenu	$2.00	$3.90
Konteksts / maks. izvade	262,144 / 16,384	262,144 / 16,384
Rīki · strukturēta izvade · straumēšana	Jā	Jā
Redze	Nē	Nē
Atteikuma slānis	Nav	Nav

Ievērojiet, kas nemainās: konteksts, izvades griesti, rīku izsaukšana, strukturēta izvade un atteikuma slāņa neesamība ir identiski. Kustas tikai pamatmodelis, kvantēšana un cena. Tas padara pāreju starp tiem par vienas virknes izmaiņu jūsu kodā un par tīri ekonomisku lēmumu jūsu arhitektūrā.

Cik maksā viens maksimāla izmēra izsaukums

Piepildiet visu 262,144 tokenu kontekstu un paņemiet pilnu 16,384 tokenu izvadi:

Pēc cenrāža. Flash: $0.131 ievadē + $0.033 izvadē. Pro: $0.511 + $0.064. Attiecība 3.51×. Flash arī dala $0.50 / $2.00 grīdu ar MiniMax-M3, Laguna-S-2.1, MiMo-V2.5, MiMo-V2.5-Pro un Hy3 — skatiet pilno katalogu, lai redzētu, kā tie atšķiras redzē un strukturētā izvadē.

06Apjoma aritmētika, izrēķināta

„3.9× lētāks” ir patiesība tikai ievadē. Izvadē Flash ir 1.95× lētāks. Jūsu īstais ietaupījums tātad ir atkarīgs no ievades un izvades attiecības, un izkliede ir pietiekami plaša, lai mainītu projektēšanas lēmumus. Četras reālistiskas darba slodzes, katra ar 100,000 pieprasījumiem:

Darba slodze	Iekšā / ārā uz izsaukumu	Flash	Pro	Ietaupījums
Pieteikumu klasifikācija	1,200 / 120	$84	$281	3.3×
RAG atbildēšana uz jautājumiem	8,000 / 600	$520	$1,794	3.4×
Gara dokumenta kopsavilkums	60,000 / 1,500	$3,300	$12,285	3.7×
Sintētisko datu ģenerēšana	500 / 2,000	$425	$878	2.1×

Aina ir šāda: jo vairāk konteksta stumjat un jo mazāk teksta ģenerējat, jo vairāk Flash jums ietaupa. Izgūšanas konveijeri, dokumentu šķirošana, žurnālu un transkriptu analīze un gara konteksta ekstrakcija ir saldais punkts — tie par kārtu dominē ievadē, un tieši ievadē dzīvo 3.9× atlaide. Ja turpretī jūsu darba slodze ir īsa uzvedne, kas rada tūkstošiem prozas tokenu, plaisa sarūk līdz aptuveni 2× un spēju arguments par labu Pro attiecīgi kļūst stiprāks.

Vēl viens aritmētikas gabals, ko vērts pieņemt par savu: par $0.50 uz miljonu ievades tokenu visa 262,144 tokenu loga piepildīšana maksā 13.1 centu. Par šādu cenu gara konteksta uzvedināšana pārstāj būt budžeta jautājums, un tas dažkārt nozīmē, ka izgūšanas slāni var nemaz nebūvēt un ļaut darbu izdarīt konteksta logam — inženierijas ietaupījums papildus tokenu ietaupījumam.

07Ko šeit precīzi nozīmē „necenzēts”

Vārdu lieto vaļīgi, tāpēc lūk mūsu definīcija, izteikta kā galapunkta īpašība: modeļa priekšā nav atteikuma klasifikatora, un tā izvadei netiek pielietota satura filtrēšana. Nekas nepārtver uzvedni un neatdod konservētu atteikumu; nekas nepārbauda pabeigumu un to neaizklāj. Lielapjoma ražošanas darbā sekas ir mazāk dramatiskas un noderīgākas, nekā vārds liek domāt:

• Nav viltus pozitīvo uz nekaitīgas datplūsmas. Filtrēti galapunkti regulāri atsaka medicīniskus kopsavilkumus, drošības aprakstus, juridisku materiālu izgūšanu, daiļliteratūru, kaitējuma mazināšanas materiālus un pašu moderācijas darbu — tieši tās kategorijas, kurās partiju uzdevums apstrādā tekstu par jutīgu tēmu, nevis rada ko kaitīgu. Pie simts tūkstošiem pieprasījumu viena procenta viltus atteikumu īpatsvars ir tūkstoš salauztas rindas.
• Noteikti līgumi. Palūdziet json_schema atbildi, un saņemsiet JSON, kas atbilst shēmai, nevis atvainošanās rindkopu tur, kur vajadzēja objektu. Jūsu parsētājam nav vajadzīgs atteikuma atzars, un jūsu atkārtošanas loģikai nav jāatšķir transporta kļūme no politikas kļūmes.
• Politika pieder jums. Tāda ir apmaiņa. Ja jūsu produktam vajag aizsargmargas gala lietotājiem, jūs tās uzbūvējat savā slānī, kur pazīstat savus lietotājus un savu jurisdikciju, nevis mantojat pakalpojuma sniedzēja minējumus par abiem. Jūsu kontu joprojām pārvalda mūsu atbildīgas lietošanas politika.

Necenzēts nav tas pats, kas nesaskaņots vai nepalīdzīgs. Modelis joprojām seko norādījumiem un joprojām ievēro sistēmas uzvedni. Ja vēlaties, lai tas jūsu lietotājiem atsaka noteiktas kategorijas, pasakiet to tur — šo norādījumu tagad rakstāt jūs, nevis uzspiežam mēs.

08Iespējas un godīgi ierobežojumi

Apjoma darbā lielāko daļu svara nes divas iespējas. Stingra json_schema izvade pārvērš pabeigumu par datubāzes rindu bez parsēšanas slāņa un bez atteikuma atzara. Rīku izsaukšana visos trīs dialektos padara Flash par saprātīgu dzinēju lētajiem apakšsoļiem aģentam, kura augstākā līmeņa plānotājs darbojas uz stiprāka modeļa. Pievienojiet reasoning_effort, kas ļauj papildu tokenus tērēt tikai tai datplūsmas daļai, kurai tie vajadzīgi, un 262,144 tokenu kontekstu, identisku Pro kontekstam — izvēloties lēto līmeni, jūs kontekstu neatdodat, kas ir neparasti.

Ierobežojumi ir tikpat konkrēti:

• Nav redzes. Flash ir tikai teksts un ziņojumā noraidīs attēlu daļas. Attēliem uz necenzēta modeļa par to pašu $0.50 / $2.00 grīdu iespējas ar redzi ir MiniMax-M3 un MiMo-V2.5; Kimi-K2.6 un Kimi-K3 ir stiprāki redzes modeļi virs šī līmeņa.
• Nav kāpņu augšgals. Paši DeepSeek skaitļi Pro liek priekšā katrā publicētajā aģentiskajā etalonā, un plaisa ir platākā noturīgā daudzsoļu koda spriešanā. Tur, kur viena nepareiza atbilde maksā vairāk nekā tūkstoš lētu, iztērējiet papildu $1.45 uz miljonu DeepSeek-V4-Pro.
• 16,384 izvades tokeni uz pieprasījumu. Garas ģenerēšanas jāsadala pa izsaukumiem. Šie ir tie paši griesti katram mūsu pasniegtajam modelim, un tie iestājas krietni ātrāk nekā konteksta logs.

09Kā to izsaukt

Pavērsiet jebkuru ar OpenAI saderīgu klientu uz vārteju un nomainiet modeļa virkni. Nekas cits jūsu stekā nav jākustina.

curl https://api.shannon-ai.com/v1/chat/completions \
  -H "Authorization: Bearer $SHANNON_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "DeepSeek-V4-Flash-0731-W4A16-AUTOROUND-REAP",
    "messages": [
      {"role": "system", "content": "Label the ticket. Reply only with the schema."},
      {"role": "user", "content": "The invoice PDF renders blank on Safari 18."}
    ],
    "response_format": {
      "type": "json_schema",
      "json_schema": {
        "name": "ticket_label",
        "schema": {
          "type": "object",
          "properties": {
            "category": {"type": "string"},
            "severity": {"type": "integer"},
            "needs_human": {"type": "boolean"}
          },
          "required": ["category", "severity", "needs_human"],
          "additionalProperties": false
        }
      }
    }
  }'

Tas pats modeļa id nemainīts darbojas uz /v1/messages un /v1/responses, un tas ir ātrākais veids, kā zem esošas integrācijas A/B testēt lētāku modeli, nepārrakstot klientu. Parametri, straumēšanas notikumu formas, rīku izsaukšanas shēmas un ātruma ierobežojumi ir dokumentēti API atsaucē; katrs kataloga modelis ir uzskaitīts Shannon pētniecībā.

10Biežāk uzdotie jautājumi

---

Avoti: DeepSeek-V2 (arXiv 2405.04434) · DeepSeekMoE (arXiv 2401.06066) · DeepSeek-V3 tehniskais ziņojums (arXiv 2412.19437) · DeepSeek-V4 (arXiv 2606.19348) · DeepSeek-V4-Flash-0731 un DeepSeek-V4-Pro-0813 modeļu kartes · AutoRound (arXiv 2309.05516, Intel) · REAP (arXiv 2510.13999, Cerebras Systems) · AWQ (arXiv 2306.00978) · GPTQ (arXiv 2210.17323). Visi pamatmodeļa un etalonu skaitļi ir tādi, kā tos publicējuši attiecīgie autori; Shannon AI cenas un pasniegtais konteksts ir mūsu paša cenrāža vērtības uz 2026. gada septembri.